Los autores: (1) Asaduz Zaman, Departamento de Ciencia de Datos e Inteligencia Artificial, Facultad de Tecnología de la Información, Universidad de Monash, Australia (asaduzzaman@monash.edu); (2) Vanessa Kellermann, Departamento de Medio Ambiente y Genética, Escuela de Agricultura, Biomedicina y Medio Ambiente, Universidad de La Trobe, Australia (v.kellermann@latrobe.edu.au); (3) Alan Dorin, Departamento de Ciencia de Datos e Inteligencia Artificial, Facultad de Tecnología de la Información, Universidad de Monash, Australia (alan.dorin@monash.edu). Authors: (1) Asaduz Zaman, Departamento de Ciencia de Datos e Inteligencia Artificial, Facultad de Tecnología de la Información, Universidad de Monash, Australia (asaduzzaman@monash.edu); (2) Vanessa Kellermann, Departamento de Medio Ambiente y Genética, Escuela de Agricultura, Biomedicina y Medio Ambiente, Universidad de La Trobe, Australia (v.kellermann@latrobe.edu.au); (3) Alan Dorin, Departamento de Ciencia de Datos e Inteligencia Artificial, Facultad de Tecnología de la Información, Universidad de Monash, Australia (alan.dorin@monash.edu). Mesa de la izquierda Abstracto y 1a Introducción Obras relacionadas Método Resultados y discusión Conclusión y referencias Abstracción Este estudio introduce la retroidentificación ineficiente de los datos de los animales, un concepto novedoso y una técnica práctica para identificar ocurrencias pasadas de organismos en datos archivados, que complementa los métodos tradicionales de reidentificación cronológica orientada hacia adelante en la investigación del comportamiento longitudinal. La identificación de un individuo clave entre varios sujetos puede ocurrir tarde en un experimento si se revela a través de un comportamiento interesante después de un período de rendimiento no diferenciado de los animales. A menudo, los estudios longitudinales también se encuentran con el desgaste del sujeto durante los experimentos. El esfuerzo invertido en los modelos de software de formación para reconocer y rastrear a tales individuos se desperdicia si no completan el experimento. Idealmente, podríamos ser capaces de seleccionar a individuos que tanto compl 1 Introducción En estudios comportamentales longitudinales, el seguimiento de sujetos individuales a lo largo del tiempo, identificándolos cuando aparecen por primera vez, y de nuevo cuando reaparecen en observaciones posteriores, es crucial para comprender el comportamiento [2]. La reidentificación (re-id) de pequeños animales visualmente similares, como las abejas de miel, puede ser respaldada por marcadores físicos o etiquetas [2, 4, 14, 15]. Sin embargo, estos pueden alterar el comportamiento de los sujetos [7]. El re-id sin marcador potencialmente permite a los investigadores evaluar el comportamiento natural de los sujetos de estudio [16]. Sin embargo, esto es difícil para individuos altamente similares, como los insectos, y requiere que se entrenen algoritmos, a menudo en imágenes anotadas a mano [21]. En experimentos con insectos, el El cambio morfológico a través del desgaste puede confundir los esfuerzos para re-identificar a un individuo. Si un sujeto se pierde o se altera visualmente durante un experimento, los recursos invertidos en software de clasificación de imagen de capacitación para reconocerlo serán potencialmente desperdiciados. Esta ineficiencia se agrava por la necesidad de llevar a cabo experimentos en múltiples sujetos en la expectativa de que pocos sobrevivirán hasta el final, y de aquellos, aún menos mostrarán un comportamiento particular de interés, como aprender una tarea, resolver un rompecabezas o recoger un recurso específico [8]. Por lo tanto, la identificación tardía de los sujetos clave de un conjunto inicial más grande es común en estudios de insectos comportamentales longitudinales. ¿Cómo pueden los investigadores evitar la anotación de imagen manual desperdiciada y - Identificación (retro-id) para abordar este problema. retro En lugar de seguir la convención de los modelos de entrenamiento en los datos iniciales (día uno) y tratar de seguir a los individuos cronológicamente durante un experimento, sugerimos que a veces puede ser más útil hacer lo contrario. Es decir, a veces deberíamos entrenar nuestros algoritmos en datos de imagen experimentales de última fase de los individuos clave (sobreviviente o de otro modo interesante). Y entonces deberíamos rastrear a estos individuos clave retrospectivamente a través de datos de imagen archivados para explorar su comportamiento durante el experimento. Esto centra la atención en la anotación y el entrenamiento de modelos para sujetos críticos para un estudio, en lugar de desperdiciar recursos en sujetos que no pueden persistir o mostrar comportamiento relevante. Hipotetizamos que un modelo entrenado en datos de imagen de insectos desde el primer día y probado para su capacidad de re-identificar insectos hasta el día N, mostraría el mismo rendimiento que un modelo entrenado en datos del día N y probado para retro-identificar insectos hasta el primer día. Testamos esto al monitorear 15 abejas de reed individuales durante 5 días. Estos polinizadores semi-sociales tienen alta similitud fenotípica (Figura 1) y se encuentran naturalmente cerca unos de otros, incluso compartiendo nidos, haciendo re-identificar ecológicamente valioso pero desafiante. Hemos entrenado varios modelos de clasificación de imagen basados en el aprendizaje de transferencia utilizando datos de los días 1 y 5, evaluando su exactitud en las secuencias de los días posteriores y anteriores respectivamente. A continuación revisamos Este artículo está disponible en archivo bajo la licencia CC BY 4.0 DEED. Este artículo está disponible en archivo bajo la licencia CC BY 4.0 DEED. Disponible en Archivo
